一.时间序列建模思路:
-
处理数据的缺失值问题,生成时间变量并画出时间序列图
-
数据是否为季节数据或者月份数据(至少有两个完整的周期,即两年),如果是的话就要观察图形是否存在季节性波动。 从而选择合适的乘法分解或者加法分解。
-
根据时间序列图大致判断数据是否为平稳序列(数据围绕着均值上下波动,无趋势和季节性)
-
利用spss分析时间创建专家模型,或者调用sklearn去处理时间序列问题
-
如果是ARIMA(p,0,q)模型,那么我们就画出时间序列的ACF和PACF图形进行分析; 如果是ARIMA(p,1,q)模型,bane先进行1阶差分,在进行ACF和PACF分析; 如果是与季节相关,那么可以考虑使用时间序列分解
-
对于股票预测模型,可以使用ARCH和GARCH (主要用于长期看来数据是平稳的,但在短期看来,存在一定的异方差,ARMA不适合计算) 扰动项存在异方差:本期数据方差较大,对下一期的数据也有很大的影响 如何判断扰动项是否存在异方差,使用两种检验方法,如Q检验和LM检验
二.如何进行建模处理:
- 先将数据进行绘制成图像进行观察
- 若看的出来图像具有波动性聚集则进行严格的检验
(1)LM检验
(2)Q检验
(3)在估计预测模型后,看条件方差方程中的系数α与γ是否显著(不重要)
三、整体思路:
- 若指数序列非平稳,则先进行差分,将指数序列变成平稳的状态
四、相空间重构
-
判断ARIMA模型:
-
判断ACF和PACF,通过肉眼观察
-
判断AIC和BIC,数值越小越好
五.灰色预测
- 1.数据以年份度量单位的非负数据
- 数据经过准指数规律的检验
- 数据的期数较短且和其他数据之间的关联性不强(<=10期但>=4),若数据期数足够多,一般用传统的时间序列更合适